Crie consultas com a ajuda do Gemini

Neste documento, descrevemos como usar a assistência com tecnologia de IA do Gemini no BigQuery para verificar dados com consultas SQL e código Python. O Gemini no BigQuery gera e explica consultas e códigos ou os preenche enquanto você digita, além de corrigir erros de programação.

Para seguir as instruções detalhadas desta tarefa diretamente no console do Google Cloud , clique em Orientação:

Orientações

O Gemini para Google Cloud não usa seus comandos nem as respostas deles como dados para treinar os modelos sem sua permissão explícita. Para mais informações sobre como o Google usa seus dados, consulte Como o Gemini para Google Cloud usa seus dados.

Somente os comandos em inglês são aceitos pelo Gemini no BigQuery.

Este documento é destinado a analistas, cientistas e desenvolvedores de dados que trabalham com consultas SQL e notebooks do Colab Enterprise no BigQuery. Presumimos que você saiba como consultar dados no ambiente do BigQuery Studio ou como trabalhar com notebooks Python para analisar dados do BigQuery.

Antes de começar

  1. Verifique se o Gemini no BigQuery está configurado para seu projeto do Google Cloud . Essa etapa normalmente é realizada por um administrador. Os recursos do Gemini no BigQuery podem ser desativados ou ficar indisponíveis até que você conclua as etapas restantes nesta seção.
  2. Para usar o Gemini Cloud Assist e escrever código no painel dele, siga as etapas em Configurar o Gemini Cloud Assist.

  3. Para usar o Gemini e explicar e corrigir código Python nos seus notebooks do Colab Enterprise no BigQuery, siga as etapas em Configurar o Gemini no Colab Enterprise para um projeto.

  4. In the Google Cloud console, on the project selector page, select or create a Google Cloud project.

    Go to project selector

  5. No console do Google Cloud , acesse a página BigQuery Studio.

    Acessar o BigQuery Studio

  6. Na barra de ferramentas do BigQuery, clique em pen_sparkGemini.

    Botão do Gemini na barra de ferramentas do BigQuery.

  7. Na lista de recursos, verifique se os seguintes itens estão selecionados:

    • Lista do Gemini na consulta SQL:

      • Preenchimento automático (prévia). Conforme você digita no editor de consultas, o Gemini pode sugerir as próximas etapas lógicas que são relevantes para o contexto da sua consulta atual ou ajudar você a iterar em uma consulta.
      • Geração automática. Você pode pedir que o Gemini no BigQuery gere uma consulta SQL usando um comentário em linguagem natural no editor de consultas do BigQuery.
      • Ferramenta de geração de SQL. Você pode inserir texto em linguagem natural em uma ferramenta para gerar uma consulta SQL, com opções para refinar os resultados da consulta, escolher origens de tabelas e comparar resultados.
      • Explicação. Você pode pedir para o Gemini no BigQuery explicar uma consulta SQL usando linguagem natural.

    • Lista do Gemini no notebook Python:

      • Preenchimento de código (pré-lançamento). O Gemini oferece recomendações contextualmente adequadas com base no conteúdo do notebook.
      • Geração de código. É possível pedir ao Gemini para gerar um código Python com uma instrução ou pergunta de linguagem natural.

  8. Para concluir as tarefas neste documento, verifique se você tem as permissões necessárias do Identity and Access Management (IAM).

Funções exigidas

Para receber as permissões necessárias para escrever consultas com a assistência do Gemini, peça ao administrador para conceder a você o papel do IAM de usuário do Gemini para o Google Cloud (roles/cloudaicompanion.user) no projeto. Para mais informações sobre a concessão de papéis, consulte Gerenciar o acesso a projetos, pastas e organizações.

Este papel predefinido contém as permissões necessárias para criar consultas com a assistência do Gemini. Para conferir as permissões exatas necessárias, expanda a seção Permissões necessárias:

Permissões necessárias

As seguintes permissões são necessárias para escrever consultas com a assistência do Gemini:

  • cloudaicompanion.entitlements.get
  • cloudaicompanion.instances.completeTask
  • Explicar consultas SQL: cloudaicompanion.companions.generateChat
  • Concluir código SQL ou Python: cloudaicompanion.instances.completeCode
  • Gerar código SQL ou Python: cloudaicompanion.instances.generateCode

Essas permissões também podem ser concedidas com funções personalizadas ou outros papéis predefinidos.

Para mais informações sobre os papéis e as permissões do IAM no BigQuery, consulte Introdução ao IAM.

Gere uma consulta SQL

Para gerar uma consulta SQL com base no esquema dos dados, forneça ao Gemini no BigQuery uma instrução ou pergunta em linguagem natural (também conhecida como comando). Mesmo que você esteja começando sem código, com um conhecimento limitado do esquema de dados ou apenas um conhecimento básico da sintaxe do GoogleSQL, o Gemini no BigQuery pode gerar SQL que pode ajudar você a conhecer seus dados.

Usar a ferramenta de geração de SQL

Com a ferramenta de geração de SQL, você usa a linguagem natural para gerar uma consulta SQL sobre as tabelas que você visualizou ou consultou recentemente. Também é possível usar a ferramenta para modificar uma consulta atual e especificar manualmente as tabelas para as quais você quer gerar SQL.

Para usar a ferramenta de geração de SQL, siga estas etapas:

  1. No console do Google Cloud , acesse a página BigQuery Studio.

    Acessar o BigQuery Studio

  2. Ao lado do editor de consultas, clique em pen_spark Ferramenta de geração de SQL.

    Botão da ferramenta de geração de SQL no editor de consultas do BigQuery.

  3. Na caixa de diálogo Gerar SQL com o Gemini, insira um comando de linguagem natural sobre uma tabela que você visualizou ou consultou recentemente. Por exemplo, se você acessou recentemente a tabela bigquery-public-data.austin_bikeshare.bikeshare_trips, digite o seguinte:

     Show me the duration and subscriber type for the ten longest trips.

  4. Clique em Gerar.

    A consulta SQL gerada é semelhante a esta:

    SELECT
    subscriber_type,
    duration_sec
  FROM
      `bigquery-public-data.san_francisco_bikeshare.bikeshare_trips`
ORDER BY
    duration_sec DESC
LIMIT 10;

  5. Analise a consulta SQL gerada e realize uma das seguintes ações:

    • Para aceitar a consulta SQL gerada, clique em Inserir para inserir a instrução no editor de consultas. Em seguida, clique em Executar para executar a consulta SQL sugerida.
    • Para editar o comando, clique em Editar e modifique ou substitua o comando inicial. Depois de editar o comando, clique em Atualizar para gerar uma nova consulta.
    • Para atualizar as fontes de tabela usadas como contexto para gerar a consulta SQL sugerida, clique em Editar fontes de tabela, marque as caixas de seleção adequadas e clique em Aplicar.
    • Para ver um resumo em linguagem natural da consulta gerada, clique em Resumo da consulta.
    • Para refinar a consulta SQL sugerida, insira os refinamentos no campo Refinar e clique em Refinar. Por exemplo, digite limit to 1000 para limitar o número de resultados da consulta. Para comparar as mudanças na sua consulta, selecione a caixa de seleção Mostrar diferença.
    • Para dispensar uma consulta sugerida, feche a ferramenta de geração de SQL.

Desativar a ferramenta de geração de SQL

Para saber como desativar a ferramenta de geração de SQL, consulte Desativar os recursos do assistente de consulta do Gemini.

Gerar SQL com base em um comentário

Para gerar SQL no editor de consultas, descreva a consulta que você quer em um comentário.

  1. No console do Google Cloud , acesse a página BigQuery Studio.

    Acessar o BigQuery Studio

  2. No editor de consultas, clique em Consulta SQL.

  3. No editor de consultas, escreva um comentário SQL sobre uma tabela que você acessou ou consultou recentemente. Por exemplo, se você acessou recentemente a tabela bigquery-public-data.austin_bikeshare.bikeshare_trips, escreva o seguinte comentário:

    # Show me the duration and subscriber type for the ten longest trips.

  4. Pressione Enter (Return no macOS).

    A consulta SQL sugerida é semelhante a esta:

    # Show me the duration and subscriber type for the ten longest trips

SELECT
  duration_sec,
  subscriber_type
  AVG(duration_minutes) AS average_trip_length
FROM
  `bigquery-public-data.austin_bikeshare.bikeshare_trips`
ORDER BY
  duration_sec
LIMIT 10;

  5. Para aceitar a sugestão, pressione Tab.

Gerar SQL com o Gemini Cloud Assist

É possível gerar uma consulta SQL no BigQuery usando o painel Cloud Assist no console do Google Cloud .

Antes de usar o chat do Gemini Cloud Assist para gerar SQL, ative o Gemini Cloud Assist. Para mais informações, consulte Configurar o Gemini Cloud Assist.

  1. No console do Google Cloud , acesse a página BigQuery Studio.

    Acessar o BigQuery Studio

  2. No editor de consultas, clique em Consulta SQL para abrir uma nova consulta SQL.

  3. Na barra de ferramentas Google Cloud , clique em spark Abrir ou fechar o chat com IA do Gemini para abrir o chat do Gemini Cloud Assist.

    Botão do Gemini Cloud Assist na barra de ferramentas do BigQuery.

  4. No campo Inserir um comando, insira um comando para gerar uma consulta SQL. Exemplo:

    Generate a SQL query to show me the duration and subscriber type for the ten longest trips.

  5. Clique em Enviar solicitação. A resposta inclui uma consulta SQL semelhante a esta:

    SELECT
     subscriber_type,
     duration_sec
 FROM
     `bigquery-public-data.san_francisco_bikeshare.bikeshare_trips`
 ORDER BY
     duration_sec DESC
 LIMIT 10;
 ```

  6. Analise a consulta SQL gerada.

  7. Para executar a consulta SQL gerada, clique em Copiar para a área de transferência, cole o código gerado no editor de consultas e clique em Executar.

Dicas para geração de SQL

As dicas a seguir podem melhorar as sugestões oferecidas pelo Gemini no BigQuery:

  • Para especificar manualmente quais tabelas usar, inclua o nome da tabela totalmente qualificado entre crases (`), como `PROJECT.DATASET.TABLE`.
  • Se os nomes das colunas ou as relações semânticas delas não forem claros ou complexos, forneça um contexto no comando para orientar o Gemini sobre a resposta que você quer. Por exemplo, para incentivar uma consulta gerada a mencionar um nome de coluna, descreva o nome da coluna e a relevância dele para a resposta desejada. Para incentivar uma resposta que mencione termos complexos, como valor da vida útil ou margem bruta, descreva o conceito e a relevância dele para os dados para melhorar os resultados da geração de SQL.
  • Ao gerar SQL usando um comentário, formate o comando em várias linhas adicionando o caractere #.
  • As descrições de colunas são usadas ao gerar consultas SQL. Para melhorar a precisão, adicione descrições de colunas ao esquema. Para saber mais sobre descrições de colunas, consulte Descrições de colunas em "Especificar um esquema".

Complete uma consulta SQL

O preenchimento de SQL tenta fornecer recomendações contextualmente adequadas com base no conteúdo do editor de consultas. Conforme você digita, o Gemini sugere as próximas etapas lógicas para o contexto da consulta atual ou ajuda você a iterar em uma consulta.

Para testar o preenchimento de SQL com o Gemini no BigQuery, siga estas etapas:

  1. No console do Google Cloud , acesse a página BigQuery Studio.

    Acessar o BigQuery Studio

  2. No editor de consultas, cole o seguinte:

    SELECT
  subscriber_type
  , EXTRACT(HOUR FROM start_time) AS hour_of_day
  , AVG(duration_minutes) AS avg_trip_length
FROM
  `bigquery-public-data.austin_bikeshare.bikeshare_trips`

    Uma mensagem de erro informa que subscriber_type não está agrupado nem agregado. É comum precisar de ajuda para receber uma consulta ideal.

  3. No final da linha de subscriber_type, pressione Espaço.

    Os refinamentos sugeridos para a consulta podem terminar em texto parecido com este:

    GROUP BY
  subscriber_type, hour_of_day;

    Outra opção é pressionar Enter (Return no macOS) para gerar sugestões.

  4. Para aceitar a sugestão, pressione Tab ou mantenha o ponteiro sobre o texto sugerido e clique para conferir sugestões alternativas. Para dispensar uma sugestão, pressione ESC ou continue digitando.

    Botões de navegação para sugestões de SQL.

Explique uma consulta SQL

É possível pedir que o Gemini no BigQuery explique uma consulta SQL em linguagem natural. Essa explicação pode ajudar você a entender uma consulta em que a sintaxe, esquema subjacente e contexto comercial sejam difíceis de avaliar devido ao tamanho ou à complexidade da consulta.

Para consultar uma explicação sobre uma consulta SQL, siga estas etapas:

  1. No console do Google Cloud , acesse a página BigQuery Studio.

    Acessar o BigQuery Studio

  2. No editor de consultas, abra ou cole a consulta que você quiser.

  3. Destaque a consulta que você quer que o Gemini no BigQuery explique.

  4. Clique em astrophotography_mode Gemini e em Explicar esta consulta.

    O ícone e o texto "Explicar esta consulta" destacados no editor de consultas do BigQuery.

    A explicação do SQL aparece no painel do Cloud.

Gerar código Python

Você pode pedir que o Gemini no BigQuery gere código Python com uma declaração ou pergunta de linguagem natural. O Gemini no BigQuery responde com uma ou mais sugestões de código em Python, extraindo nomes de tabelas relevantes diretamente do seu projeto do BigQuery, o que resulta em um código Python personalizado e executável.

Usar a ferramenta de geração de código Python

No exemplo a seguir, você gera o código para um conjunto de dados público do BigQuery, bigquery-public-data.ml_datasets.penguins.

  1. No console do Google Cloud , acesse a página BigQuery Studio.

    Acessar o BigQuery Studio

  2. Na barra de guias do editor de consultas, clique na seta suspensa ao lado de Consulta SQL e clique em Notebook.

    O novo notebook é aberto, com células que mostram exemplos de consultas no conjunto de dados público bigquery-public-data.ml_datasets.penguins.

  3. Para inserir uma nova célula de código, na barra de ferramentas, clique em Código. A nova célula de código contém a mensagem Começar a codificar ou gerar com IA.

  4. Na nova célula de código, clique em generate.

  5. No editor Gerar, insira o seguinte comando de linguagem natural:

    Using bigquery magics, query the `bigquery-public-data.ml_datasets.penguins` table

  6. Pressione Enter (Return no macOS).

    O código Python sugerido é semelhante a este:

    %%bigquery
SELECT *
FROM `bigquery-public-data.ml_datasets.penguins`
LIMIT 10

  7. Para executar o código, pressione Executar célula.

Gerar código Python com o Gemini Cloud Assist

Você pode usar o Gemini Cloud Assist no console do Google Cloud para gerar código Python no BigQuery. Antes de usar o Gemini Cloud Assist para gerar código, ative o Gemini Cloud Assist. Para mais informações, consulte Configurar o Gemini Cloud Assist.

  1. No console do Google Cloud , acesse a página BigQuery Studio.

    Acessar o BigQuery Studio

  2. Na barra de guias do editor de consultas, clique na seta suspensa ao lado de Consulta SQL e clique em Notebook.

  3. Na barra de ferramentas Google Cloud , clique em spark Abrir ou fechar o chat com IA do Gemini para abrir o chat do Gemini Cloud Assist.

    Botão do Gemini na barra de ferramentas do BigQuery.

  4. No campo Inserir um comando, digite um comando para gerar código Python. Exemplo:

    Generate python code to query the `bigquery-public-data.ml_datasets.penguins`
table using bigquery magics

  5. Clique em Enviar solicitação. O Gemini retorna um código Python semelhante a este:

    %%bigquery
SELECT *
FROM `bigquery-public-data.ml_datasets.penguins`
LIMIT 10

  6. Analise o código Python gerado.

  7. Para executar o código Python, clique em Copiar para a área de transferência, cole o código gerado no editor de consultas e clique em Executar.

Gerar código de DataFrames do BigQuery

Você pode gerar código de BigQuery DataFrames com o Gemini no BigQuery. Para pedir ao Gemini que use o BigQuery DataFrames no código gerado, expresse sua intenção no comando. Por exemplo, você pode começar o comando com "usando bigframes" ou "utilizando BigQuery DataFrames".

O DataFrames do BigQuery oferece duas bibliotecas:

  • bigframes.pandas, que fornece uma API compatível com pandas para análise.
  • bigframes.ml, que fornece uma API semelhante ao scikit-learn para machine learning (ML).

A geração de código do Gemini é otimizada para a biblioteca bigframes.pandas.

Para saber mais sobre o BigQuery DataFrames e as permissões necessárias para usar o BigQuery DataFrames, consulte Permissões do BigQuery DataFrames. O DataFrames do BigQuery é um pacote de código aberto. Execute pip install --upgrade bigframes para instalar a versão mais recente.

No exemplo a seguir, você gera o código para um conjunto de dados público do BigQuery, bigquery-public-data.ml_datasets.penguins.

  1. No console Google Cloud , acesse a página do BigQuery Studio.

    Acessar o BigQuery Studio

  2. Na barra de guias do editor de consultas, clique na seta suspensa ao lado de Consulta SQL e clique em Notebook.

    Um novo notebook é aberto.

  3. Para inserir uma nova célula de código, na barra de ferramentas, clique em Código.

  4. A nova célula de código contém a mensagem Começar a programar ou gerar com IA. Na nova célula de código, clique em Gerar.

  5. No editor Gerar, insira o seguinte comando de linguagem natural:

    Read the penguins table from the BigQuery public data using bigframes

  6. Pressione Enter (Return no macOS).

    O código Python sugerido é semelhante a este:

    import bigframes.pandas as bpd

# Read the penguins table from the BigQuery public data using bigframes
result = bpd.read_gbd("bigquery-public-data.ml_datasets.penguins")

  7. Para executar o código, pressione Executar célula.

  8. Para conferir uma prévia dos resultados, na barra de ferramentas, clique em Código para inserir uma nova célula de código.

  9. Na nova célula, chame o método peek(). Por exemplo, result.peek() e pressione Executar célula. Várias linhas de dados são mostradas.

Concluir código Python

O preenchimento de código em Python tenta fornecer recomendações contextualmente apropriadas, baseadas no conteúdo do editor de consultas. Conforme você digita, o Gemini no BigQuery pode sugerir as próximas etapas lógicas relevantes ao contexto do seu código atual ou ajudar você a iterar o código.

Para testar o preenchimento de código Python com o Gemini no BigQuery, siga estas etapas:

  1. No console do Google Cloud , acesse a página BigQuery Studio.

    Acessar o BigQuery Studio

  2. Na barra de guias do editor de consultas, clique na seta suspensa ao lado de Consulta SQL e clique em Notebook.

    O novo notebook é aberto, com células que mostram exemplos de consultas no conjunto de dados público bigquery-public-data.ml_datasets.penguins.

  3. No editor, comece a digitar o código Python. Por exemplo, %%bigquery. O Gemini no BigQuery sugere código inline enquanto você digita.

  4. Para aceitar a sugestão, pressione Tab.

Explicar o código Python

Você pode usar o Gemini no BigQuery para explicar o código Python nos notebooks do Colab Enterprise.

Depois de receber uma explicação, faça mais perguntas na caixa de diálogo do comando para entender melhor o código.

Para receber uma explicação sobre o código Python no seu notebook, siga estas etapas:

  1. No console do Google Cloud , acesse a página BigQuery Studio.

    Acessar o BigQuery Studio

  2. No painel Explorer, expanda seu projeto e a pasta Notebooks.

  3. Clique no notebook que você quer abrir.

  4. Destaque a célula do Python que você quer entender.

  5. Clique em spark Gemini e em Explicar código.

    A explicação do código aparece em um painel ao lado da célula.

  6. Opcional: para entender melhor seu código, faça perguntas no campo Inserir comando aqui.

Corrigir e explicar erros do Python

Você pode usar o Gemini no BigQuery para corrigir e explicar erros de código Python nos seus notebooks do Colab Enterprise.

Para corrigir ou entender os erros de código com a ajuda do Gemini, siga estas etapas:

  1. No console do Google Cloud , acesse a página BigQuery Studio.

    Acessar o BigQuery Studio

  2. No painel Explorer, expanda seu projeto e a pasta Notebooks.

  3. Clique no notebook que você quer abrir.

  4. Em uma célula de código do notebook, insira um código com um erro e execute a célula. Por exemplo, você pode digitar print(1, que não tem um parêntese de fechamento.

    Depois que a célula de código for executada, o notebook vai imprimir uma mensagem de erro abaixo dela. Se você ativou o Gemini em notebooks do Python e ele tiver uma sugestão para corrigir ou explicar o erro, uma das seguintes opções vai aparecer:

    • Para erros de sintaxe do Python, uma opção Corrigir erro aparece.
    • Para todos os outros tipos de erros, a opção Explicar erro aparece.

  5. Para corrigir um erro de sintaxe, faça o seguinte:

    1. Clique em Corrigir erro.

      O Gemini sugere como corrigir o erro.

    2. Avalie a sugestão e siga um destes procedimentos:

      • Para aceitar a sugestão, clique em check Aceitar sugestão.
      • Para rejeitar a sugestão, clique em fechar Rejeitar sugestão.

  6. Para corrigir todos os outros tipos de erros, faça o seguinte:

    1. Clique em Explicar erro.

      Um painel é aberto, explicando o erro e sugerindo mudanças.

    2. Opcional: para entender melhor o erro, faça perguntas no campo Insira o comando aqui.

    3. Para aceitar uma mudança sugerida, clique em library_add Adicionar célula de código.

Gerar código PySpark

Você pode pedir ao Gemini Code Assist para gerar código PySpark no seu notebook. O Gemini Code Assist busca e usa tabelas relevantes do BigQuery e do Dataproc Metastore e os respectivos esquemas para gerar uma resposta de código. Com o conhecimento do esquema, o Gemini Code Assist evita alucinações e sugere chaves de junção e tipos de coluna.

Para gerar código do Gemini Code Assist no seu notebook, faça o seguinte:

  1. Clique em + Código na barra de ferramentas para inserir uma nova célula de código. A nova célula de código mostra Start coding or generate with AI. Clique em Gerar.

  2. No editor de geração, insira um comando de linguagem natural e clique em enter. Inclua a palavra-chave spark ou pyspark no comando.

    Exemplo de comando: 

    create a spark dataframe from order_items and filter to orders created in 2024

    Exemplo de resposta:

    spark.read.format("bigquery").option("table", "sqlgen-testing.pysparkeval_ecommerce.order_items").load().filter("year(created_at) = 2024").createOrReplaceTempView("order_items")
df = spark.sql("SELECT * FROM order_items")

Dicas para a geração de código do Gemini Code Assist

  • Para permitir que o Gemini Code Assist busque tabelas e esquemas relevantes, ative a Sincronização do Data Catalog para instâncias do Dataproc Metastore.

  • Verifique se a conta de usuário tem acesso ao Data Catalog e às tabelas de consulta. Para fazer isso, atribua o papel DataCatalog.Viewer.

Desative os recursos do assistente de consulta do Gemini

Para desativar recursos específicos no Gemini no BigQuery, faça o seguinte:

  1. No console do Google Cloud , acesse a página BigQuery Studio.

    Acessar o BigQuery Studio

  2. Na barra de ferramentas do BigQuery, clique em pen_sparkGemini.

    Botão do Gemini na barra de ferramentas do BigQuery.

  3. Na lista, desmarque os recursos do assistente de consulta que quer desativar.

Para saber como desativar o Gemini no BigQuery, consulte Desativar o Gemini no BigQuery.

Desativar o Gemini no Colab Enterprise

Para desativar o Gemini no Colab Enterprise em um projeto do Google Cloud, um administrador precisa desativar a API Gemini para Google Cloud. Veja como desativar serviços.

Para desativar o Gemini no Colab Enterprise para um usuário específico, um administrador precisa revogar o papel Usuário do Gemini for Google Cloud (roles/cloudaicompanion.user) desse usuário. Veja como revogar apenas um papel do IAM.

Forneça feedback

  1. No console do Google Cloud , acesse a página BigQuery Studio.

    Acessar o BigQuery Studio

  2. Na barra de ferramentas do BigQuery, clique em pen_sparkGemini.

    Botão do Gemini na barra de ferramentas do BigQuery.

  3. Clique em Enviar feedback.

Ajude a melhorar as sugestões

Compartilhe com o Google os dados de comandos enviados para os recursos no pré-lançamento para melhorar as sugestões do Gemini.

Para compartilhar os dados de comandos, siga estas etapas:

  1. No console do Google Cloud , acesse a página BigQuery Studio.

    Acessar o BigQuery Studio

  2. Na barra de ferramentas do BigQuery, clique em pen_sparkGemini.

    Botão do Gemini na barra de ferramentas do BigQuery.

  3. Selecione Compartilhe dados para aprimorar o Gemini no BigQuery.

  4. Na caixa de diálogo Configurações de uso de dados, atualize essas informações.

As configurações de compartilhamento de dados pessoais se aplicam a todo o projeto e só podem ser definidas por um administrador com as permissões de IAM serviceusage.services.enable e serviceusage.services.list. Para mais informações sobre o uso de dados no programa Trusted Tester, consulte Gemini para o programa o Trusted Tester do Google Cloud .

Dados do Gemini e do BigQuery

Para apresentar resultados precisos e aprimorados, o Gemini no BigQuery precisa acessar os dados do cliente e os metadados no BigQuery. Para mais informações, consulte Como o Gemini no BigQuery usa seus dados.

Preços

Para saber mais sobre os preços desse recurso, consulte Visão geral dos preços do Gemini no BigQuery.

Cotas e limites

Para informações sobre cotas e limites desse recurso, consulte Cotas do Gemini no BigQuery.

A seguir